ACLOct, 2019

核图注意力 Fine-grained 事实验证

PDF
TL;DR本研究提出基于核的图注意力网络 (KGAT)，利用节点核函数和边缘核函数，在证据图中进行更细粒度的证实验证，相比于点积注意力，核心注意力更能集中于相关证据句子和证据图中的有意义的线索，从而在 FEVER 测试数据集上取得了较高的 70.38% FEVER 得分，明显优于现有的事实验证模型。
fact verificationnatural language inferencekernel graph attention networkevidence graphkernel-based attentions
发现论文，激发创造
  • 多证据基于机密图神经网络的事实验证

    Fact verification tasks using a Confidential Graph Attention Network (CO-GAT) with a node masking mechanism achieve a 73.59% FEVER score on the FEVER dataset and show generalization ability to science-specific domains.

    May, 2024

  • KGAT: 知识图谱注意力网络推荐

    提出了一种名为 KGAT 的新方法，它结合了知识图谱和嵌入传播技术，旨在显式地建模知识图谱中的高阶关系以提高推荐准确性，并采用注意机制以区分邻居的重要性。实验结果表明 KGAT 显著优于现有的基于知识图谱的推荐方法

    May, 2019

  • FactKG: 通过知识图谱推理进行事实验证

    介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。

    May, 2023

  • 基于语义层面图的事实核查推理

    本文提出了一种适合推理证据语义结构的方法，并结合预训练模型和图卷积网络、图注意力网络来提高事实核查的准确性，实验证明丰富的结构信息对事实核查有所帮助，并且所提出的模型在官方评测中均获得了最佳表现。

    Sep, 2019

  • 通过语言化和图注意网络强化事实验证程序

    本研究提出了 ProgVGAT 框架，结合程序和执行到文本推理模型，通过程序执行的表现和结构、原文陈述和表格等不同证据，来实现基于结构化数据的事实验证，并通过使用基于距离的新训练策略来优化 ProgVGAT 中的程序选择模块，从而提供更精确的程序，检验结果最高达 74.4％的准确率。

    Oct, 2020

  • 基于证据的事实核查的多级注意力模型

    提供一种可以在序列结构上进行训练的模型，通过不同层次的句间注意力和联合训练来有效捕捉主张和证据之间的关系，结果表明可以优于基于图结构的方法达到更好的验证精度和 FEVER 得分

    Jun, 2021

  • 基于上下文的图注意力网络在具有物品知识图的推荐中的应用

    该研究提出了一种名为 CGAT 的新型推荐框架，可以明确地利用实体在知识图中的本地和非本地图上下文信息，以实现个性化的推荐，这可以通过一种偏向性随机游走采样过程来提取实体的非本地上下文，并利用 RNN 来模拟实体和其非本地上下文实体之间的依赖关系

    Apr, 2020

  • 上下文图注意力用于回答不完整知识图谱中的逻辑查询

    本文提出了一种名为 Contextual Graph Attention（CGA）的多头注意力的端到端端逻辑查询答案模型，使用初始邻域聚合层来生成中心嵌入，利用图注意力机制来处理不同查询路径的不同贡献，并使用 DB18 和 WikiGeo19 数据集进行评估，结果表明，该模型在性能上优于现有的基线模型。

    Sep, 2019

  • DisenKGAT：具有解耦图注意力网络的知识图嵌入

    本研究提出了一种新的分离知识图谱注意力网络 (DisenKGAT)，该网络采用微观分离和宏观分离来利用知识图谱背后的表示，并针对给定场景生成自适应表示。通过在公共基准数据集上进行广泛实验，验证了 DisenKGAT 在准确性和可解释性方面优于现有方法。

    Aug, 2021

  • 用于逼近论证可接受性的图卷积网络和图注意力网络 -- 技术报告

    通过改进 Graph Convolutional Networks 的性能以及使用 Graph Attention Networks，提高抽象论证的计算效率。

    Apr, 2024